群智感知网络发展现状及面临问题

<正>随着移动终端设备、嵌入式传感器设备等的快速发展,移动群智感知网络成为物联网的新感知技术,相较于传统感知网络解决了成本高的难题,近年来被广泛应用于发展。本文主要从移动群智感知网络的发展研究现状及未来面临问题进行综述。通过对群智感知网络的定义、特点及架构,群智感知网络在3个方面的经典应用等进行阐述和总结。     

移动群智感知应用

认为无线通信和智能移动设备的发展为群智感知在移动环境下的应用奠定了基础,而廉价多样的传感器使移动群智感知应用与人类社会的联系更加紧密。移动群智感知用户采集数据时的协作方式分为参与式感知、机会感知两种,各有优缺点和局限性。移动群智感知需要考虑用户成本、网络压力、云计算服务器架设、用户隐私保护等方面的问题,要面对情境隐私、匿名任务、匿名数据汇报、可靠数据读取、数据真实性等安全方面的挑战。     

车联网群智感知与服务

移动群智感知与协同计算是车联网的核心特征之一。通过对集中式和分布式两种车联网群智感知框架的结构、工作过程、优势与问题的分析,提出了支持车联网群智感知与服务的混合式框架模型。混合式模型融合集中式在感知效率和分布式在信息效用方面的优势,解决了车联网群智感知在高效性与实时性之间的矛盾,为移动智群感知和协同计算拓展了新的研究领域。     

基于组合多臂赌博机的移动群智感知用户招募算法

在移动群智感知任务分配中,数据平台不知道用户的感知质量或成本值的前提下,如何建立合适的用户招募机制是该文需要解决的关键问题,不仅需要在用户执行的过程学习其感知质量值,还要尽可能保证移动群智感知平台的高效性和利润最大化。因此该文提出基于组合多臂赌博机(CMAB)的移动群智感知用户招募算法来解决用户成本已知和未知的招募问题。首先把用户招募过程建模为组合多臂赌博机模型,每个摇臂代表选择不同的用户,所获得的收益代表用户的感知质量;其次提出基于上限置信区间 (UCB)算法的感知质量函数,根据任务完成情况更新用户的感知质量;然后在每轮的用户招募过程中,学习用户的感知质量和成本,并提出一种新颖的贪婪修复算法。该算法是将用户的感知质量值从高到低进行排序,再选择满足预算条件下感知质量值与招募成本最大比率的用户,最后分配任务和更新其感知质量。最后进行了大量基于真实数据集的实验仿真,以此验证算法的可行性与有效性。     

群智感知网络的发展及挑战

随着无线移动终端设备的爆炸式普及,移动感知和众包思想的结合产生了新型物联网感知模式,即群智感知。文章结合群智感知网络的发展,分别介绍了它的概念、基本特征、系统结构、典型应用以及面临的问题。     

群组协作的移动群智感知任务分配方法

时空覆盖类感知任务对参与者的时间与空间约束使得传统单参与者模式难以适用。为此,该文提出群组协作的移动群智感知任务分配方法,以群组模式替代传统单参与者模式。设计层次化群组协作的任务分配框架,提出偏好感知的社交群组生成方法,引入社交关系生成社交群组,提高任务完成率。提出效用优化的任务群组匹配方法,采用网络流理论进行群组-任务匹配,保证平台效用最大化。仿真结果表明所提方法在任务完成率与平台效用方面均有较大提升。     

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.     

考虑工人培养的移动群智感知任务分配机制

移动群智感知(MCS)通过大量感知工人的移动性和工人随身携带的感知设备来收集数据,是一种新的大规模数据感知范式。现有大量研究致力于解决移动群智感知中的任务分配问题,使感知数据质量得以提高,但忽略了缺乏优质工人的感知任务,导致任务完成质量降低。为了解决上述问题,对于缺乏优质工人的感知任务,该文关注将经验不足的工人培养为优质工人,并令其执行这些感知任务,实现工人的长期复用,提高感知数据质量和长期平台效用。具体来说,该文考虑了缺乏优质工人的感知任务所需的能力和工人的能力类型,并据此应用稳定匹配算法选择待培养工人,提出一种基于能力聚合和半马尔可夫预测的多阶段工人选择培养(MWSD)算法。结果表明,相比基于区块链的非确定团队协作(BNTC)算法,该文所提算法能够有效将缺乏优质工人的感知任务的数据质量提高24%,长期平台效用提高17%。     

移动群智感知质量度量与保障

认为移动群智感知网络的感知质量包含时空覆盖质量和数据质量两个层面,前者关注是否能采集到足够多的数据,而后者关注数据是否足够准确和可信。分别从这两个层面讨论了感知质量度量和保障的方法,对移动群智感知网络的部署和应用具有一定的指导意义和实用价值。     

基于自适应连续时间的群智感知轨迹隐私保护方案

针对轨迹差分隐私保护存在的预测精度差、隐私预算分配效用低的问题，本文提出自适应连续时间序列下的群智感知轨迹预测方案.首先在任务分配阶段，为参与者分配轨迹路线；其次引入隐马尔可夫模型（Hidden Markov Model,HMM），对轨迹进行预测；然后使用预分配和自适应分配相结合的综合隐私预算分配方法，降低隐私预算；最后利用拉普拉斯机制，进行位置扰动.实验结果表明，与相关工作相比，所提方法兼顾预测性和低预算性，对群智感知中参与者在轨迹隐私安全保护上具有良好的保护效果.     

面向任务代价差异的移动群智感知激励模型

针对感知任务参与者数量不足和提供数据质量不高的问题,该文提出一种面向任务代价差异的移动群智感知激励模型。首先,利用模糊推理方法分析数据量、环境条件及设备消耗对任务代价的影响,将感知任务按照代价差异划分为不同等级,同时为请求者制定预算并给予参与者合适的报酬。其次,通过信誉度评估和参与者优选将感知任务分配给更合适的参与者完成感知任务并上传感知数据。最后,对参与者上传感知数据评估,更新参与者信誉度,并根据参与者完成感知任务的代价等级支付相应报酬。基于真实数据集的仿真实验结果表明,该模型能够利用各个模块间的相互影响,有效招募更多的用户参与感知任务并促进参与者上传高质量的感知数据。     

移动群智感知融合数据隐私保护方法

感知融合数据包含用户日常行为习惯和生活轨迹等敏感信息,需要进行有效的隐私保护,针对传统方法存在无法准确衡量用户与位置关系,导致通信开销过大的问题,提出一种基于数据中台技术的移动群智感知融合数据隐私保护方法。将感知融合数据整合上传到数据中台,利用数据中台技术提取属性信息确定隐私敏感等级,构建数据隐私保护算法。实验测试表明,提出的方法隐私保护水平、数据精确度、数据完整性上具有较好的效果;冗余数据明显减少,降低了数据通信量,说明通信开销性能更好,可应用于实际移动群智感知应用中。     

基于城市轨道交通的群智感知任务分发方法

随着当前移动终端设备的发展和5G技术的普及,移动群智感知的需求越来越大.但是目前感知任务的分发方法依然存在着传输效率低下、代价高且不稳定等问题,极大地限制了感知终端任务的完成.为此,该文利用城市轨道交通对于各大城区良好的覆盖性和轨道交通的可预测性,提出了面向激励成本的任务分发模型(ICTDM)和面向用户数量的任务分发模型(UNTDM).通过轨道交通对聚集式人流的疏导性,实现感知任务在城市不同区域的选择性分发.并以任务所需人数和移动距离的最小化作为手段,完成降低系统总激励成本的目的.实验结果表明,该算法与同类算法相比,可以在完成相同任务集合的前提下,通过优化任务分发过程实现更少的任务参与者分发方案,以达到降低感知任务成本的目的.     

专题:移动群智感知和协同计算 专题导读

<正>移动群智感知和协同计算正在成为目前移动互联网技术领域的一个新的研究热点。大量的携带有多种传感器的智能手机、各种智能穿戴设备、车载智能感知设备在一定范围内的移动,形成了一种有别于传统固定传感器网络的新型移动感知网络。在这种网络中,移动的智能感知节点可以经过移动的人或车携带在物理世界中各处移动,因而更容易实现对整个物理世界的大范围覆盖和广泛的信息采集。这些节点也可以通过移动互联网进行协作,实现任     

一种基于覆盖表融合的移动群智感知协作算法

在集中性较高的感知区域中，移动群智感知网络节点在无控制的模式下，容易产生感知数据冗余度大幅升高的问题，降低了网络感知质量。针对这种情况，首先对感知区域进行时空域划分，并对感知过程进行建模;然后引入单元格充足感知覆盖概念，设计了一种基于覆盖表信息融合的移动节点协作感知数据收集算法。实验仿真表明，相较于原始感知模式和本地控制模式，该算法能大幅消除感知冗余数据，从而提高感知网络的数据质量，同时节约移动节点代价。     

多任务群智频谱感知算法

频谱感知是认知无线电系统中的关键技术。本文将群智感知的激励机制与协作频谱感知有效结合,提出了一种基于多任务群智感知的协作频谱感知算法。该算法考虑检测概率和感知时间建立了参与感知的次用户效用函数,次用户通过优化感知时间得出次用户的最优效用并确定感知的信道,通过贪婪算法在有限预算限制下来选取参与感知的次用户,在次用户感知完成后发放一定的报酬,以激励次用户参与频谱感知的积极性。仿真结果表明,该算法可以同时感知多个信道,通过激励提高了次用户的参与度,使得协作频谱检测概率得到有效的提升。      

基于城市轨道交通的群智感知任务分发方法

随着当前移动终端设备的发展和5G技术的普及,移动群智感知的需求越来越大。但是目前感知任务的分发方法依然存在着传输效率低下、代价高且不稳定等问题,极大地限制了感知终端任务的完成。为此,该文利用城市轨道交通对于各大城区良好的覆盖性和轨道交通的可预测性,提出了面向激励成本的任务分发模型(ICTDM)和面向用户数量的任务分发模型(UNTDM)。通过轨道交通对聚集式人流的疏导性,实现感知任务在城市不同区域的选择性分发。并以任务所需人数和移动距离的最小化作为手段,完成降低系统总激励成本的目的。实验结果表明,该算法与同类算法相比,可以在完成相同任务集合的前提下,通过优化任务分发过程实现更少的任务参与者分发方案,以达到降低感知任务成本的目的。     

群智感知环境下基于节点分类的数据隐私保护增强机制研究

物联网技术的发展使得各种各样的智能感知设备应运而生,这些智能感知设备需要不断收集各项数据来完成感知任务,随着参与感知任务的设备增加,出现了大量数据隐私泄露问题,数据隐私保护机制已经无法满足复杂的感知数据保护要求。因此在群智感知环境下,基于节点分类设计新的数据隐私保护增强机制,首先在群智感知环境下设计感知任务模型,其次基于节点分类分析数据隐私保护增强学习冲突,最后在群智感知环境下进行性能评估,从而构建综合数据隐私保护增强机制。实验结果表明,使用该数据隐私保护增强机制后,泄露的隐私信息条数较少,证明其具有有效性,有一定的应用价值,可以作为后续数据隐私保护的参考。     

物联网移动群智感知任务协同排序推荐优化

为了提高移动群智感知（mobile crowd sensing,MCS）中的数据质量，设计了一种混合模型（hybrid model,HM）与列表级排序（list-wise ranking,LWR）相结合的推荐方法 HM-LWR。研究结果表明：采用HM-LWR算法模型能够较精确地预测参与者的任务偏好情况，分配MCS任务时可以有效提升准确性与运算效率。得到最优参数指标：学习速率μ=0.01，正则化参数λ=0.01，迭代100次，相似度模型调控指标α=0.5。HM-LWR算法相较于MSC与LWR算法有明显提高，相较于高斯尺度混合（Gaussian scale mixtures,GSMs）算法则有小幅提升，达到了近96%的平均准确率。该研究有助于提高物联网移动群智感知能力，提高用户使用亲和度体验感。     

基于空中计算的无线群智感知

为实现服务器对海量传感数据的快速收集,提出了一种基于空中计算的快速传感数据汇聚方案。该方案通过无线功率传输激励用户参与群智感知,为数据感知和空中计算供能。通过对无线功率分配、感知数据量,以及空中计算数据汇聚时间进行联合优化,实现服务器数据开发效益的最大化。该方案的性能通过仿真进行了验证,并与传统的无线群智感知设计进行了比较。